深度学习与知识图谱融合的英语翻译增强框架：NPO-KG-Peephole LSTM 方法

Discover Artificial Intelligence · 2026-11-13 · 期刊论文

• 一句话结论：结论：该框架在自建实验条件下提升了实体翻译准确率与上下文理解，precision 0.9765、recall 0.9728、H-mean 0.9746；证据档位为 C，属方法学初步验证，尚不足以下结论说其优于现有翻译系统。
• 研究设计与做法：设计：方法学研究，非临床或人群试验。流程含分词、词形还原、词干化、词性标注等预处理，用 Word2Vec 与 BERT 提取特征，以知识图谱建模实体关系与领域语义，经 NPO 优化的 KG-Peephole LSTM 联合学习，并利用双语图谱对齐扩充训练数据。样本量、数据集来源与对照模型材料未报告。
• 主要结果：主要结果：报告 precision 0.9765、recall 0.9728、H-mean 0.9746，作者据此认为语义整合有效；但未给出置信区间、p 值、基线模型对比数值及统计检验方式，材料未报告。
• 机制或解释：机制解释：作者认为将结构化语义与实体级信息经知识图谱注入翻译过程，可缓解上下文保持、实体翻译准确性与语义一致性方面的不足，并借双语图谱对齐改善跨域泛化。
• 局限与边界：局限：材料未报告数据集规模与来源、是否单域、是否与主流模型公平对比、误差分析及利益冲突；指标为自测结果，缺乏外部验证，证据档位 C。
• 可否落地：落地：对领域文本翻译的实体一致性研究有提示价值，可作为知识图谱增强翻译的探索方向；但当前证据不足以下结论支持临床或生产环境部署，需独立数据集复现与基线对照。

🔗 打开原文

Cui Jing

本文摘自《每日前沿研究简报 · 2026-11-15》「信息科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。